数字图像处理(实践篇)二十二 使用opencv进行人脸、眼睛、嘴的检测

目录

1 xml文件

2 涉及的函数

3 实践


使用opencv进行人脸、眼睛、嘴的检测。

1 xml文件

  • 方法① 下载

 地址:https://github.com/opencv/opencv/tree/master/data/haarcascades

点击haarcascade_frontalface_default.xml文件

对着Raw右键,选择“链接另存为”,选择代码所在的路径即可,就可以下载这个文件啦。

其他文件的下载方式与上述文件的方式类似。

  • 方法② 文件路径

如果已经安装OpenCV,那么可以在安装OpenCV的环境中找到这个文件。

/anaconda3/envs/python/lib/python/site-packages/cv2/data/haarcascade_frontalface_default.xml

具体的情况按照实际的去对照哈。

如果没有安装OpenCV的话,可以使用如下命令安装:

pip install opencv-python

找对应文件路径的方法如上。

建议使用方法获取需要的文件。

2 涉及的函数

CascadeClassifier是Opencv中做人脸检测的一个级联分类器,既可以使用Haar特征,也可以使用LBP特征。要使用Haar级联分类器进行人脸检测,首先需要加载相应的分类器文件,haarcascade_frontalface_default.xml。然后,将图像转换为灰度图像,并使用detectMultiScale()函数进行人脸的检测操作。

  • cv2.CascadeClassifier.detectMultiScale()函数
objects = cv2.CascadeClassifier.detectMultiScale( image[,scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]] )

输入:

①image:输入图像

②scaleFactor:搜索窗口的缩放比例大小。

③minNeighbors:默认值为3,意味着有3个以上的检测标记存在时,才认为人脸存在。如果希望提高检测的准确率,可以将该值设置的更大,但同时可能会让一些人脸无法被检测到。小于该值的目标将被忽略。

④flags:该参数通常被省略。

⑤minSize:目标的最小尺寸,小于这个尺寸的目标将被忽略。

⑥maxSize:最大目标的尺寸。大于该值的目标将被忽略。

返回:

①objects:目标对象的矩形框组。

3 实践

  • 代码
import cv2
import matplotlib.pyplot as plt
import math
def dealImg(img):
    b, g, r = cv2.split(img)
    img_rgb = cv2.merge([r, g, b])
    return img_rgb
def dealImageResult(img_path):
    im = cv2.imread(img_path)
    img = im.copy()
    # 加载预训练的人脸级联分类器
    face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
    eye_detector = cv2.CascadeClassifier('haarcascade_eye.xml')
    smile_detector = cv2.CascadeClassifier('haarcascade_smile.xml')
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=2, minSize=(125, 125))
    label = f'OpenCV  Haar Detected {str(len(faces))} faces'
    if len(faces) > 1:
        label = f'OpenCV  Haar Detected {str(len(faces))} faces'
    elif len(faces) == 1:
        label = f'OpenCV  Haar Detected {str(len(faces))} face'
    else:
        lable = " "
    cv2.putText(img, label, (10, 20), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 0), 2)
    for (x, y, w, h) in faces:
        # cv2.rectangle(img, (x, y), (x+w, y+h), (255, 255, 0), 1)
        # r = int(math.sqrt(w/2*w/2 + h/2*h/2))
        cv2.circle(img, (int(x+w/2), int(y+h/2)), int(h/2), (255, 255, 0), 2)
        # 人脸切分
        head = gray[y:y+h, x:x+w]
        h_temp = int(h*0.6)
        head_up = head[0:h_temp]
        head_down = head[h_temp:]
        # 检测眼睛
        eyes = eye_detector.detectMultiScale(head_up, scaleFactor=1.2, minNeighbors=3, minSize=(10, 10))
        for (ex, ey, ew, eh) in eyes:
            cv2.rectangle(img, pt1=(ex+x, ey+y), pt2=(ex+ew+x, ey+eh+y), color=[0, 255, 0], thickness=2)
        smile_result = smile_detector.detectMultiScale(head_down, scaleFactor=1.2, minNeighbors=3, minSize=(10, 10), maxSize=(80, 80))
        for mx, my, mw, mh in smile_result:
            cv2.rectangle(img, pt1=(mx+x, my+y+h_temp), pt2=(mx+mw+x, my+mh+y+h_temp), color=[255, 0, 0], thickness=2)
    fig = plt.figure(figsize=(10, 10))
    im = dealImg(im)
    img = dealImg(img)
    titles = ["img", "result"]
    images = [im, img]
    for i in range(2):
        plt.subplot(1, 2, i + 1), plt.imshow(images[i], "gray")
        plt.title("{}".format(titles[i]), fontsize=20, ha='center')
        plt.xticks([]), plt.yticks([])
    # plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=0.3, hspace=0)
    # plt.tight_layout()
    plt.show()
    fig.savefig('test_results.jpg', bbox_inches='tight')
if __name__ == '__main__':
    dealImageResult("test.jpeg")
    pass
  • 效果图

前文回顾

入门篇目录

 数字图像处理(入门篇)一 图像的数字化与表示

 数字图像处理(入门篇)二 颜色空间

 数字图像处理(入门篇)三 灰度化

 数字图像处理(入门篇)四 像素关系

 数字图像处理(入门篇)五 图像数据预处理之颜色空间转换

 数字图像处理(入门篇)六 图像数据预处理之坐标变化

 数字图像处理(入门篇)七 图像数据预处理之灰度变化

 数字图像处理(入门篇)八 图像数据预处理之直方图

 数字图像处理(入门篇)九 图像数据预处理之滤波

 数字图像处理(入门篇)十 边缘检测

 数字图像处理(入门篇)十一 形态学处理

 数字图像处理(入门篇)十二 自适应阈值分割

 数字图像处理(入门篇)十三 仿射变换

 数字图像处理(入门篇)十四 透视变换

实践篇目录

数字图像处理(实践篇)一 将图像中的指定目标用bBox框起来吧!

数字图像处理(实践篇)二 画出图像中目标的轮廓

数字图像处理(实践篇)三 将两张图像按照指定比例融合

数字图像处理(实践篇)四 图像拼接-基于SIFT特征点和RANSAC方法

数字图像处理(实践篇)五 使用Grabcut算法进行物体分割

数字图像处理(实践篇)六 利用hough变换进行直线检测

数字图像处理(实践篇)七 利用霍夫变换进行圆环检测

数字图像处理(实践篇)八 Harris角点检测

数字图像处理(实践篇)九 基于边缘的模板匹配

数字图像处理(实践篇)十 图像质量检测

数字图像处理(实践篇)十一 图像中的条形码解析

数字图像处理(实践篇)十二 基于小波变换的图像降噪

数字图像处理(实践篇)十三 数据增强之给图像添加噪声!

数字图像处理(实践篇)十四 图像金字塔

数字图像处理(实践篇)十五 基于傅里叶变换的高通滤波和低通滤波

数字图像处理(实践篇)十六 基于分水岭算法的图像分割

数字图像处理(实践篇)十七 Shi-Tomasi 角点检测

数字图像处理(实践篇)十八 人脸检测

数字图像处理(实践篇)十九 漫水填充
数字图像处理(实践篇)二十 人脸特征提取

数字图像处理(实践篇)二十一 人脸识别

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/237978.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

界面控件DevExpress WPF导航组件,助力升级应用程序用户体验!(下)

DevExpress WPF的Side Navigation(侧边导航)、TreeView、导航面板组件能帮助开发者在WPF项目中添加Windows样式的资源管理器栏或Outlook NavBar(导航栏),DevExpress WPF NavBar和Accordion控件包含了许多开发人员友好的…

路面状况监测站-科普百科

随着城市化进程的加速,道路交通问题日益凸显,路面状况的监测和预警成为了至关重要的一环。为了保障市民的出行安全,路面状况监测站智能设备,为您的出行保驾护航。 WX-LM1路面状况监测站采用了物联网技术,通过传感器实…

节省时间,提高效率:深入解析MyBatis Plus

1. MyBatis Plus 概述 将Mybatis 通用Mapper PageHelper 升级成 MyBatis Plus 1.1 简介 官网:https://baomidou.com/ 参考教程:https://baomidou.com/pages/24112f/ MyBatis-Plus(简称 MP)是一个 MyBatis 的增强工具&#…

【Axure原型分享】3D多柱状图_中继器版

今天和大家分享3D多柱状图_中继器版的原型模板,鼠标移入时,对应区域的背景会高亮变色,并且显示对应柱状体的数据。那这个原型是用Axure原生元件制作的,样式交互都可以自行修改,图表数据在中继器表格里填写,…

企业举办年会,可以邀请哪些媒体进行宣传?

传媒如春雨,润物细无声,大家好,我是51媒体网胡老师。 年关将至,筹办年会成为每个企业必做的事情,也是大家非常期待的年终大会,在我们策划年会时候,也要抓住最后宣传的机会。那么企业举办年会时…

自定义异常

这个类上加上controlleradvice注解

性能测试:方法、工具与最佳实践

目录 前言 1. 为什么进行性能测试? 2. 性能测试方法 3. 性能测试工具 Apache JMeter: LoadRunner: Gatling: Apache ab (Apache Benchmark): Locust: Tsung: BlazeMeter: K6: Neoload: WebLOAD: 4. 最佳实践 设定明确的性能测试目标: 模…

yarn系统架构与安装

1.1 YARN系统架构 YARN的基本思想是将资源管理和作业调度/监视功能划分为单独的守护进程。其思想是拥有一个全局ResourceManager (RM),以及每个应用程序拥有一个ApplicationMaster (AM)。应用程序可以是单个作业,也可以是一组作业。 一个ResourceManage…

Rust 学习

Rust 官网:https://www.rust-lang.org/zh-CN/ 1、Rust 简介 Rust 是一门注重安全(safety)、速度(speed)和并发(concurrency)的现代系统编程语言。Rust 通过内存安全来实现以上目标,但…

YB5212A高输入耐压2A单节/双节锂电池充电芯片

YB5212A高输入耐压2A单节/双节锂电池充电芯片 概述: YB5212A 是一种5-18V输入,2A电流可支持单节和双节锂电池的同步Buck锂离子电池充电器,适用于便携式应用。选择引脚方便多单元充电。800khz同步降压调节器集成MOS,超低导通电阻&a…

聚焦中国—东盟大健康产业峰会 点靓广西“长寿福地”品牌

12月8-10日2023中国—东盟大健康产业峰会暨大健康产业博览会在南宁国际会展中心成功举办,本次峰会由国家中医药管理局、广西壮族自治区人民政府联合主办,中国老年学和老年医学学会、自治区党委宣传部、自治区民政厅、广西壮族自治区外事办公室、广西壮族…

vue 实现点击复制文本到剪贴板

vue 实现点击复制文本到剪贴板 共四种方法 1. navigator.clipboard.writeText该方法需要在安全域下才能够使用&#xff0c;比如&#xff1a;https 协议的地址、127.0.0.1、localhost <template><div><el-button type"primary" click"btn1"…

Dockerfile创建镜像介绍

1.介绍 Docker 提供了一种更便捷的方式&#xff0c;叫作 Dockerfile&#xff0c;docker build命令用于根据给定的Dockerfile构建Docker镜像。 docker build语法&#xff1a; # docker build [OPTIONS] <PATH | URL | -> 常用选项说明 --build-arg&#xff0c;设置构建时的…

命名空间 嵌套类和局部类

命名空间 命名空间可以不连续 未命名空间 命名空间的别名 using声明和using指示 嵌套类 访问嵌套类成员 嵌套类的名称查找 嵌套类中名称查找失败会在外围中查找 局部类 局部类可以访问外围函数枚举 静态对象 局部类可以定义函数但是函数必须在类内定义 局部类内不能定义静态成…

【Jeecg Boot 3 - 第二天】1.2、jar 包和 lib 依赖分离,部署包缩小100倍

一、场景 二、思路 三、实战 ▶ 2.1、项目 jar 包解压获取 lib config Stage 1&#xff1a;正常打包获取 jeecg-system-start-3.6.0.jar Stage 2&#xff1a;解压 获取如下文件 Stage 3&#xff1a;获取 lib config ▶ 2.2、获取简化版项目jar包 Stage 1&#xff1…

gitlab动态流水线

文章目录 1. 说明2. 官方样例2.1 在作业中生成配置文件&#xff0c;保存为产物2.2 将触发器作业配置为在生成配置文件的作业之后运行。 3. 实战应用3.1 背景介绍3.2 项目介绍3.3 公共项目配置3.4 测试项目配置3.5 测试 4. 总结 1. 说明 顾名思义&#xff0c;动态流水线就是一种…

Altman作了多少恶?排挤首席科学家出GPT5开发、离间董事会、PUA员工

在山姆奥特曼&#xff08;Sam Altman&#xff09;被OpenAI董事会突然解职后的几天里&#xff0c;这个消息在科技圈引发轰动&#xff0c;该公司内部员工和许多科技界人士甚至将此举比作一场政变。 奥特曼被解雇后立即传出的说法是&#xff0c;OpenAI的广大员工都很喜欢他&#x…

治疗复发或难治性多发性骨髓瘤:2期MagnetisM-3试验结果

今天给同学们分享一篇实验文章“Elranatamab in relapsed or refractory multiple myeloma: phase 2 MagnetisMM-3 trial results”&#xff0c;这篇文章发表在Nat Med期刊上&#xff0c;影响因子为82.9。 结果解读&#xff1a; 试验设计和患者 MagnetisMM-3是一项正在进行的…

以csv为源 flink 创建paimon 临时表相关 join 操作

目录 概述配置关键配置测试启动 kyuubi执行配置中的命令 bug解决bug01bug02 结束 概述 目标&#xff1a;生产中有需要外部源数据做paimon的数据源&#xff0c;生成临时表&#xff0c;以使用与现有正式表做相关统计及 join 操作。 环境&#xff1a;各组件版本如下 kyuubi 1.8…

c语言->自定义类型联合体和枚举类型

系列文章目录 文章目录 前言 ✅作者简介&#xff1a;大家好&#xff0c;我是橘橙黄又青&#xff0c;一个想要与大家共同进步的男人&#x1f609;&#x1f609; &#x1f34e;个人主页&#xff1a;橘橙黄又青_C语言,函数,指针-CSDN博客 目的&#xff1a;学习联合体和枚举类型的…